[發明專利]一種基于神經網絡的數據庫數據綜合診療決策方法

有效

• 申請號: 201810047166.7
• 申請日: 2018-01-18
• 公開（公告）號: CN108198621B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 陳明遠;蔡宏民;劉友平;陳佳洲;鄒雄;游瑞
• 申請（專利權）人: 中山大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G16H10/60
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 宋靜娜;郝傳鑫

1.一種基于神經網絡的數據庫數據綜合診療決策方法，其特征在于，所述方法使用鼻咽癌數據庫，所述鼻咽癌數據庫包括臨床大數據庫和基因數據庫；所述臨床大數據庫中記錄有由臨床文字數字信息形成的第一數據以及根據臨床圖像信息提取并識別出的第二數據；鼻咽癌數據庫中的第一數據、第二數據和/或基因數據都伴隨其時間屬性；

所述方法在所述鼻咽癌數據庫中的數據支持下基于第五模型進行診療決策；所述第五模型以第一數據、第二數據和基因數據中的多種為輸入，基于神經網絡為用戶提供診療決策；

所述方法還包括：

對多組學數據進行整合分析，建立經質量評估后的數據存儲模型，所述多組學數據為第一數據、第二數據和基因數據中的多種，其中第一數據、第二數據和基因數據都是組學數據；

全面系統探究多組學數據之間的關聯性，建立基于多組學數據整合的第四模型，第四模型中包括公共發現模型，所述公共發現模型通過下述方法得到：

在張量表達和矩陣表達的框架下，提出面向張量描述的特征模型；建立基于先驗知識約束的張量配對能量方程；分析特征張量描述方法、先驗知識約束設計、張量配對方法與局部公共子結構的內在關系；測試模型的魯棒性；針對海量數據，建立約束問題分解機制，優化求解，得到公共發現模型；

所述多組學數據通過下述方法進行整合：

S1.建立面向多組學數據的矩陣分解模型，將多維數據分解到同一個基空間中，分析系數矩陣之間的互動關系,發現基因靶點與圖像表型、腫瘤分期分級之間的動態關聯；

S2.建立面向多組學數據的張量分解模型，通過采用三個隱式變量基空間的方法，將多組學數據分解到三個基空間中，提取出獨立于多組學數據的中心核張量，研究核張量間的公共關系，以發現其公共關聯，研究在不同約束下，隱式變量基空間的分解特性，設計面向多約束中心核張量的關聯函數；

S3.建立基于張量描述的張量配對模型，設計單組學數據的張量特征描述方法，研究張量特征維數和定量描述對張量配對的影響；設計特征張量的配對方法，構建基于先驗知識約束的張量配對模型；

S4.針對分析結果建立公共模塊發現模型,整合模型優化函數，所述整合模型優化函數為公共發現模型的核心內容，用于在多組學數據中挑選出對鼻咽癌患者預后具備指向性的指標：

Subjectto:X_ij∈{0,1}

XI₁≤b₁

X^TI₂≤b₂，

其中H表示組學數據S₁和S₂之間的相似度，X表示分配矩陣，表示數據S₁內部特征關聯關系，表示數據S₂內部特征關聯關系，公式第一項表示分配矩陣X滿足相似度矩陣H的分布，第二項和第三項分別表示融入了數據S₁和數據S₂的先驗知識，第四項表示分配矩陣具有稀疏性，從而解釋數據S₁和數據S₂之間的關聯關系，L_M為歸一化拉普拉斯矩陣，根據拉普拉斯矩陣性質，得到以下公式求解優化函數，獲得數據整合結果。

2.根據權利要求1中所述的一種基于神經網絡的數據庫數據綜合診療決策方法，其特征在于，還包括基于第一模型、第二模型、第三模型和/或第四模型進行診療決策，所述第一模型以第一數據為輸入，所述第二模型以第二數據為輸入，所述第三模型以基因數據為輸入，所述第四模型以鼻咽癌數據庫中多組學數據為輸入。

3.根據權利要求2所述的一種基于神經網絡的數據庫數據綜合診療決策方法，其特征在于：所述第五模型的構建方法包括：

對第一數據和基因數據采用卷積神經網絡提取底層到高層的特征表達；

對第二數據采用集成方法進行特征挖掘，并通過邏輯回歸結合范數約束過濾干擾特征；

對不同組學數據中相關聯的表征特征進行高維抽象得到高維特征；

通過全連接層將得到的高維特征進行連接，生成診療決策模型；

當訓練集數量到預設值時，重新啟動診療決策模型的訓練，以使得模型通過自我學習優化相關參數，從而形成第五模型。